基于数据挖掘的电力系统不良数据检测辨识和修正.pdfVIP

基于数据挖掘的电力系统不良数据检测辨识与修正 叶学勇，吴军基，杨 伟，张俊芳 (南京理工大学动力学院，江苏 南京 210094) 摘 要：电力网络中大量实时数据的准确与否决定着电力系 法的缺点：阈值选取带有很大的主观性和经验性， 统运行的安全与稳定。为了确保电力系统运行的安全与稳 使得实际应用比较困难。高度依赖网络的训练过 定，就必须对电力系统中的不良数据进行检测辨识和修正。 程，训练样本的选定及其代表性将直接影响最后辨 论文利用数据挖掘方法中的神经网络、聚类分析以及基于间 识的效果。 隙统计算法（GSA ）的肘形判据来实现不良数据的检测辨识 本文采用基于数据挖掘方法进行不良数据检 与修正。首先利用神经网络对数据进行预处理；其次利用基 测辨识有效的避开了上述两种方法的缺点，而且算 于间隙统计算法（GSA ）的肘形判据方法自动判断最佳聚类 个数，实现了不良数据的检测；然后利用得到的最佳聚类个 法简单易行。这种方法主要利用数据挖掘方法中的 [3] 数以及聚类分析方法实现不良数据的辨识；最后再利用神经 神经网络、聚类分析和间隙统计算法来实现 。 网络方法进行不良数据修正。利用从江苏省电力公司采集来 1 基于数据挖掘方法的理论 的实时数据进行了仿真，仿真过程简单易行、仿真结果准确， 1.1 BP 神经网络 成功实现了不良数据的检测辨识与修正。 BP 算法的基本思想：学习过程由信号的正向 关键词：不良数据；间隙统计算法；人工神经网络；聚类分 传播与误差的反向传播两个过程组成。正向传播 析；肘形判据 时，输入样本从输入层传入，经各隐层逐层处理后， 0 引言 传向输出层。若输出层的实际输出与期望的输出不 符，则转入误差的反向传播阶段。误差反向传播是 现代电力系统网络的规模不断扩大，电力网络 将输出误差以某种形式通过隐层向输入层逐层反 的结构和运行模式也变得越来越复杂，人们对电能 传，并将误差分摊给各层的所有单元，从而获得各 的质量和网络运行的可靠性也提出了更高的要求。 层单元的误差信号，此误差信号就作为修正各单元 电力网络中大量实时数据的准确与否决定着电力 权值的依据。这种信号正向传播和误差反向传播的 系统运行的安全与可靠性。电力系统中的不良数据 各层权值调整过程，是周而复始地进行的。权值不 可能会影响调度员做出错误的决策，进而影响电力 断调整的过程，也就是网络的学习训练过程。此过 系统的正常运行，甚至可能会威胁整个电力系统的 程一直进行到网络输出的误差减少到可接受的程 安全。因此，为了确保电力系统稳定安全运行，检 度，或者进行到预先设定的学习次数为止。 测这些不良数据并把它们从原始数据中提取出来 1.2 聚类分析[4～6] 并加以修正有着重要意义。